一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法
【專利摘要】本發(fā)明提供的是一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法。(1)采用基于慣性傳感器的動(dòng)作捕捉系統(tǒng)獲取人體動(dòng)作數(shù)據(jù)信號(hào);(2)對(duì)所采集到的人體動(dòng)作數(shù)據(jù)信號(hào)進(jìn)行濾波去噪、歸一化預(yù)處理;(3)用異步隱馬爾科夫模型對(duì)每種動(dòng)作建模,訓(xùn)練異步隱馬爾科夫模型,對(duì)其進(jìn)行特征提取和選擇;(4)用訓(xùn)練好的異步隱馬爾科夫模型對(duì)輸入動(dòng)作進(jìn)行分類識(shí)別。本發(fā)明不但解決了人體動(dòng)作不存在嚴(yán)格劃分的問題,填補(bǔ)了目前人體運(yùn)動(dòng)研究對(duì)象相對(duì)單一,沒有相應(yīng)的理論體系的空白。而且,由于采用關(guān)節(jié)姿態(tài)角表征人體動(dòng)作特征,所以本發(fā)明所采用的特征對(duì)個(gè)體的依賴性很低,對(duì)不同的人都有比較穩(wěn)健的特征,識(shí)別速度和識(shí)別率較均有較大幅度的提高。
【專利說明】一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是一種人體運(yùn)動(dòng)分析方法,具體涉及一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類及識(shí)別方法。
【背景技術(shù)】
[0002]人體動(dòng)作分析是關(guān)節(jié)運(yùn)動(dòng)學(xué)的延伸,是人體運(yùn)動(dòng)學(xué)的基礎(chǔ),也是人體運(yùn)動(dòng)分析的重要組成部分。人在日常生活、生產(chǎn)勞動(dòng)以及體育運(yùn)動(dòng)中的許多重要的行為都要通過人體執(zhí)行動(dòng)作來實(shí)現(xiàn)[1],顯而易見,在體育運(yùn)動(dòng)中人體動(dòng)作更具有重要意義,因此對(duì)于人體運(yùn)動(dòng)動(dòng)作的研究早就引起了人們的重視。
[0003]人體運(yùn)動(dòng)學(xué)是研究人體活動(dòng)科學(xué)的領(lǐng)域,是描述和研究人體的運(yùn)動(dòng)隨時(shí)間變化的規(guī)律或在運(yùn)動(dòng)過程中所經(jīng)過的軌跡[2],而不考慮人體運(yùn)動(dòng)狀態(tài)改變的原因。關(guān)節(jié)運(yùn)動(dòng)學(xué)屬于人體運(yùn)動(dòng)學(xué)的范疇,關(guān)節(jié)聯(lián)結(jié)人體各部位的環(huán)節(jié),是人體運(yùn)動(dòng)的樞紐,它是傳遞載荷、保持能量、使人體做正常運(yùn)動(dòng)的重要器官,其中以肩、肘、腕、髖、膝、踝為六大主要關(guān)節(jié)[3]。人體運(yùn)動(dòng)學(xué)目前僅對(duì)人體的運(yùn)動(dòng)作了區(qū)分,主要有三種方法M,第一種是將人體簡(jiǎn)化為質(zhì)點(diǎn),按照質(zhì)點(diǎn)的運(yùn)動(dòng)軌跡將人體運(yùn)動(dòng)分類為平動(dòng)、轉(zhuǎn)動(dòng)和復(fù)合運(yùn)動(dòng);第二種是按關(guān)節(jié)將人體簡(jiǎn)化為多剛體模型,將人體關(guān)節(jié)的運(yùn)動(dòng)分為屈曲/伸展、內(nèi)收/外展、內(nèi)旋/外旋、旋前/旋后和內(nèi)翻/外翻;第三種是視人體為上肢、頭、軀干、下肢組成的多環(huán)節(jié)鉸鏈形式,將上肢運(yùn)動(dòng)分為推、拉和鞭打,下肢運(yùn)動(dòng)分為緩沖、蹬伸和鞭打,全身運(yùn)動(dòng)分為擺動(dòng)、軀干扭轉(zhuǎn)和相向運(yùn)動(dòng)等形式。人體運(yùn)動(dòng)學(xué)對(duì)人體運(yùn)動(dòng)的區(qū)分實(shí)質(zhì)上僅是對(duì)人體姿態(tài)進(jìn)行了微觀分類,而一般的運(yùn)動(dòng)研究都是針對(duì)人體連貫運(yùn)動(dòng),即有意義的運(yùn)動(dòng)的,由于上述的分類方法將人體運(yùn)動(dòng)劃分為若干個(gè)不具意義的姿態(tài),即不能夠表現(xiàn)人體意圖,因此它并不適用于人體日?;顒?dòng)、生產(chǎn)勞動(dòng)和體育運(yùn)動(dòng)中對(duì)人體運(yùn)動(dòng)的研究。
[0004]人體運(yùn)動(dòng)分析是用于描述、識(shí)別人體動(dòng)作、人與人之間、人與外界環(huán)境之間的交互行為的技術(shù),目前主流的人體運(yùn)動(dòng)分析是基于視覺的運(yùn)動(dòng)分析[5],主要步驟有運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)分類、人體運(yùn)動(dòng)跟蹤以及動(dòng)作識(shí)別或行為識(shí)別等[6],其中人體動(dòng)作識(shí)別或行為識(shí)別是人體運(yùn)動(dòng)分析的輸出,也是最終的判別結(jié)果,識(shí)別率表征著整個(gè)運(yùn)動(dòng)分析過程的有效性,因此對(duì)待識(shí)別的人體動(dòng)作的定義顯得尤為關(guān)鍵。對(duì)人體動(dòng)作進(jìn)行準(zhǔn)確定義并按其定義采集訓(xùn)練樣本,對(duì)識(shí)別率的提高很有幫助。目前雖然已有可用于人體運(yùn)動(dòng)分析研究的人體動(dòng)作庫[7],但其內(nèi)含的動(dòng)作從分類采集到存儲(chǔ)均是按動(dòng)作庫創(chuàng)建者個(gè)人的理解進(jìn)行的,因此這些動(dòng)作沒有統(tǒng)一的定義,各個(gè)動(dòng)作區(qū)分也沒有嚴(yán)格的規(guī)范,甚至動(dòng)作庫中存在人體姿態(tài)、動(dòng)作、行為等概念混淆的現(xiàn)象。
[0005]鑒于人體運(yùn)動(dòng)學(xué)和人體運(yùn)動(dòng)分析技術(shù)都不能對(duì)人體動(dòng)作進(jìn)行嚴(yán)格的定義和分類,本發(fā)明提出一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類及識(shí)別方法,首先在關(guān)節(jié)運(yùn)動(dòng)學(xué)的基礎(chǔ)上,對(duì)人體執(zhí)行動(dòng)作時(shí)的運(yùn)動(dòng)狀態(tài)作了分析,再對(duì)人體運(yùn)動(dòng)姿態(tài)進(jìn)行識(shí)別。由此得出具有意義的、組成人體運(yùn)動(dòng)的基本單元——人體動(dòng)作的分類及識(shí)別方法。
[0006]與發(fā)明相關(guān)的公開報(bào)道包括:[0007][I]Aggarwal J K,Cai Q.Human motion analysis: A review[C].Nonrigid andArticulated Motion Workshop, 1997,Proceedings.,IEEE, 1997:90-102.[0008][2] Newe 11 K M.Kinesiology !Challenges of multiple agendas [ J].Quest, 2007,59 (I): 5-24.[0009][3] Hami Iton N,Luttgens K,Weimar W.Scientific Basis of HumanMotion[M].2002.[0010][4]Herzog Wj Longino D.The role of muscles in joint degeneration andosteoarthritis[J].Journal of biomechanics, 2007,40:S54_S63.[0011][5]黎洪松,李達(dá).人體運(yùn)動(dòng)分析研究的若干新進(jìn)展[J].模式識(shí)別與人工智能,2009,22(1):70-78.[0012][6] Peursum P,Venkatesh S,West G.Tracking-as-recognition for articulatedful1-body human motion analysis [C].1EEE Conf.Computer Vision and PatternRecognition, 2007:1-8.[0013][7]Zerger A,F(xiàn)reudenberger Dj Thackway R,et al.VegTrack:a structuredvegetation restoration activity database [J].Ecological management&restoration, 2009, 10⑵:136-144。
【發(fā)明內(nèi)容】
[0014]本發(fā)明的目的在于提供一種識(shí)別速度快和識(shí)別率高的基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法。
[0015]本發(fā)明的目的是這樣實(shí)現(xiàn)的:
[0016](1)采用基于慣性傳感器的動(dòng)作捕捉系統(tǒng)獲取人體動(dòng)作數(shù)據(jù)信號(hào);
[0017](2)對(duì)所采集到的人體動(dòng)作數(shù)據(jù)信號(hào)進(jìn)行濾波去噪、歸一化預(yù)處理;
[0018](3)用異步隱馬爾科夫模型對(duì)每種動(dòng)作建模,訓(xùn)練異步隱馬爾科夫模型,對(duì)其進(jìn)行特征提取和選擇;
[0019](4)用訓(xùn)練好的異步隱馬爾科夫模型對(duì)輸入動(dòng)作進(jìn)行分類識(shí)別。
[0020]本發(fā)明首先,采用基于慣性傳感器的動(dòng)作捕捉系統(tǒng)采集人體動(dòng)作信號(hào),對(duì)人體動(dòng)作信號(hào)進(jìn)行濾波去噪、歸一化等預(yù)處理;然后,再用異步隱馬爾科夫模型對(duì)每種動(dòng)作進(jìn)行建模,進(jìn)而訓(xùn)練異步隱馬爾科夫模型,最后,用訓(xùn)練好的異步隱馬爾科夫模型對(duì)輸入動(dòng)作進(jìn)行分類識(shí)別。不但解決了人體動(dòng)作不存在嚴(yán)格劃分的問題,填補(bǔ)了目前人體運(yùn)動(dòng)研究對(duì)象相對(duì)單一,沒有相應(yīng)的理論體系的空白。而且,由于采用關(guān)節(jié)姿態(tài)角表征人體動(dòng)作特征,所以本發(fā)明所采用的特征對(duì)個(gè)體的依賴性很低,對(duì)不同的人都有比較穩(wěn)健的特征,識(shí)別速度和識(shí)別率較均有較大幅度的提高。
[0021]本發(fā)明的主要貢獻(xiàn)和特點(diǎn)在于:為基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類及識(shí)別方法提供新的思路。對(duì)人體動(dòng)作采用主要關(guān)節(jié)的姿態(tài)角發(fā)生的改變進(jìn)行表征,并對(duì)按一定規(guī)律組合構(gòu)成人體運(yùn)動(dòng)的人體基本動(dòng)作進(jìn)行分類,填補(bǔ)了人體姿態(tài)不能夠表現(xiàn)人體意圖和復(fù)雜多變的人體運(yùn)動(dòng)不適于定量化描述之間的空白。本發(fā)明采用關(guān)節(jié)姿態(tài)角表征人體動(dòng)作特征,對(duì)個(gè)體的依賴性很低,對(duì)不同的人都有比較穩(wěn)健的特性?!緦@綀D】
【附圖說明】
[0022]圖1為基于慣性傳感器的人體動(dòng)作識(shí)別框架圖;
[0023]圖2為動(dòng)作捕捉系統(tǒng)結(jié)構(gòu)圖;
[0024]圖3(a)-圖3(c)為采集的原始姿態(tài)角信號(hào)圖;
[0025]圖4(a)-圖4(c)為平滑濾波后的姿態(tài)角信號(hào)圖;
[0026]圖5為異步隱馬爾科夫組成示意圖;
[0027]圖6為基于異步隱馬爾科夫模型的動(dòng)作識(shí)別的原理框圖;
[0028]圖7為人體基本軸和基本面示意圖;
[0029]圖8為取不同狀態(tài)時(shí)的識(shí)別率;
[0030]圖9為關(guān)節(jié)運(yùn)動(dòng)形式分類表(表1);
[0031]圖10為人體基本動(dòng)作分類表(表2);
[0032]圖11為狀態(tài)數(shù)為4時(shí)的識(shí)別結(jié)果(表3);
[0033]圖12為狀態(tài)數(shù)為7時(shí)的識(shí)別結(jié)果(表4)。
【具體實(shí)施方式】
[0034]下面結(jié)合附圖舉例對(duì)本發(fā)明做更詳細(xì)地描述:
[0035]一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類及識(shí)別方法,首先,采用基于慣性傳感器的動(dòng)作捕捉系統(tǒng)采集人體動(dòng)作信號(hào),對(duì)人體動(dòng)作信號(hào)進(jìn)行濾波去噪、歸一化等預(yù)處理;然后,再用異步隱馬爾科夫模型對(duì)每種動(dòng)作進(jìn)行建模,進(jìn)而訓(xùn)練異步隱馬爾科夫模型,最后,用訓(xùn)練好的異步隱馬爾科夫模型對(duì)輸入動(dòng)作進(jìn)行分類識(shí)別。具體為:
[0036]1.動(dòng)作數(shù)據(jù)獲取
[0037]在動(dòng)作數(shù)據(jù)獲取階段采用基于慣性傳感器的動(dòng)作捕捉方法。動(dòng)作捕捉系統(tǒng)結(jié)構(gòu)如圖2所示,慣性傳感器被固定在人體的相關(guān)部位構(gòu)成傳感器節(jié)點(diǎn),節(jié)點(diǎn)將采集到的數(shù)據(jù)通過無線方式傳輸?shù)絇C機(jī),實(shí)現(xiàn)對(duì)人體動(dòng)作的實(shí)時(shí)捕捉。數(shù)據(jù)傳到PC以后會(huì)被保存,建立人體動(dòng)作數(shù)據(jù)庫。
[0038]2.預(yù)處理
[0039]由于慣性傳感器采集到的人體運(yùn)動(dòng)信息含有很多噪聲,信號(hào)具有不同幅度大小和動(dòng)作有快慢等問題,因此,要對(duì)采集到的運(yùn)動(dòng)信息做數(shù)據(jù)平滑濾波和歸一化的預(yù)處理,從而消除噪聲。
[0040]2.1數(shù)據(jù)的平滑濾波
[0041]采集到的數(shù)據(jù)序列中摻雜的噪聲信號(hào)主要包括兩種:慣性傳感器自身的固有噪聲和人體不自覺抖動(dòng)產(chǎn)生的噪聲。我們選擇巴特沃斯低通濾波器濾除高頻噪聲。
[0042]設(shè)計(jì)步驟如下:
[0043]①首先考慮利用沖激響應(yīng)不變法將系統(tǒng)的傳遞函數(shù)G(S)轉(zhuǎn)換為轉(zhuǎn)移函數(shù)H(Z),需要對(duì)單位沖激響應(yīng)g(t)抽樣,SP:
【權(quán)利要求】
1.一種基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法,其特征是: (1)采用基于慣性傳感器的動(dòng)作捕捉系統(tǒng)獲取人體動(dòng)作數(shù)據(jù)信號(hào); (2)對(duì)所采集到的人體動(dòng)作數(shù)據(jù)信號(hào)進(jìn)行濾波去噪、歸一化預(yù)處理; (3)用異步隱馬爾科夫模型對(duì)每種動(dòng)作建模,訓(xùn)練異步隱馬爾科夫模型,對(duì)其進(jìn)行特征提取和選擇; (4)用訓(xùn)練好的異步隱馬爾科夫模型對(duì)輸入動(dòng)作進(jìn)行分類識(shí)別。
2.根據(jù)權(quán)利要求1所述的基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法,其特征是所述采用基于慣性傳感器的動(dòng)作捕捉系統(tǒng)獲取人體動(dòng)作數(shù)據(jù)信號(hào)的方法包括:慣性傳感器固定在人體的相關(guān)部位構(gòu)成傳感器節(jié)點(diǎn),傳感器節(jié)點(diǎn)將采集到的數(shù)據(jù)通過無線方式傳輸?shù)絇C機(jī),數(shù)據(jù)傳到PC以后被保存,建立人體動(dòng)作數(shù)據(jù)庫。
3.根據(jù)權(quán)利要求2所述的基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法,其特征是所述預(yù)處理具體包括: (1)平滑濾波 用巴特沃斯低通濾波器濾除高頻噪聲: ①首先利用沖激響應(yīng)不變法將傳遞函數(shù)G(S)轉(zhuǎn)換為轉(zhuǎn)移函數(shù)H(Z),對(duì)單位沖激響應(yīng)g(t)抽樣, 即:
4.根據(jù)權(quán)利要求3所述的基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法,其特征是所述特征提取和選擇具體包括: 在訓(xùn)練階段,用異步隱馬爾科夫模型的訓(xùn)練算法,建立每個(gè)動(dòng)作Wi對(duì)應(yīng)的異步隱馬爾科夫模型,記為Xi;在識(shí)別階段,用前向-后向算法求出各個(gè)概率P(0| Xi)值,其中,O為待識(shí)別動(dòng)作的觀察值序列;后處理就是選取最大P (O I Xi)值所對(duì)應(yīng)的動(dòng)作Wi為O的識(shí)別結(jié)果O
5.根據(jù)權(quán)利要求4所述的基于關(guān)節(jié)姿態(tài)角的人體動(dòng)作分類識(shí)別方法,其特征是所述分類識(shí)別具體包括: (1)動(dòng)作的分類 按人體姿態(tài)發(fā)生變化與否為標(biāo)準(zhǔn),將人體運(yùn)動(dòng)狀態(tài)分為靜態(tài)和動(dòng)態(tài)兩種;靜態(tài)狀態(tài)主要包括立、坐、蹲、臥四個(gè)基本姿態(tài),根據(jù)人體面向的基本面,又將坐和臥的姿態(tài)分別細(xì)分為直立坐、前傾坐、后仰坐,以及仰臥、側(cè)臥、俯臥等姿態(tài); (2)動(dòng)作的識(shí)別 對(duì)于每一類待識(shí)別動(dòng)作,都利用訓(xùn)練集建立相應(yīng)的異步離散隱馬爾科夫模型λ i,異步離散隱馬爾科夫模型的輸入為基于聚類的特征選擇挑選的前r個(gè)特征& =i?…每種動(dòng)作 用一系列的觀察值毛,..、盡j作為輸入,應(yīng)用Baum-Welch算法訓(xùn)練相應(yīng)的異步離散隱馬爾科夫模型的參數(shù),異步離散隱馬爾科夫模型訓(xùn)練好之后,進(jìn)行動(dòng)作的識(shí)別。
【文檔編號(hào)】G06T7/20GK104021573SQ201410264193
【公開日】2014年9月3日 申請(qǐng)日期:2014年6月13日 優(yōu)先權(quán)日:2014年6月13日
【發(fā)明者】王科俊, 胡金裕, 烏日娜 申請(qǐng)人:哈爾濱工程大學(xué)